Anwendungen Künstlicher Intelligenz für Bankdienstleistungen

Transkript

1 Anwendungen Künstlicher Intelligenz für Bankdienstleistungen

2 Opentopic ist ein innovatives Startup aus NYC, das Marketinglösungen auf Basis Künstlicher Intelligenz entwickelt und vertreibt Data-driven marketing Cross-channel marketing Customer Experience Optimized Campaigns Verstehen Sie große Mengen an unstrukturierten Marketingdaten, um intelligent zu handeln Sprechen Sie Ihre Kunden auf persönlicher und kognitiver Ebene an Entwickeln Sie individuelle und selbstlernende Erfahrungsprozesse Optimieren Sie Kampagnen für ein Transaktionsziel, bevor sie Ihr Geld ausgeben Ein Top 40 IBM Partner In-house Entwicklungs Lab 2

3 Sia ist eine "intelligente" Maschine, die Kontext versteht und Maßnahmen entwickelt, um Erfolgschancen von Vertriebskampagnen zu maximieren ` Sia ist ein kognitives System Sia nutzt unstrukturierte Daten Sia begegnet dir im Gespräch Natural Language Processing, Visual Recognition, Speech to Text, Sentiment, Personality, Concept, Relationship analysis, Machine learning Unstrukturierte Daten können Text, Kundendaten, Bilder, Video oder Audio sein Sia versteht dich und du kannst Sia nach Insights, Analytics, Inhalten, News zu Produkten, Personen, Firmen fragen 3

4 Sia wurde von unserem Opentopic Technologia Lab auf Basis von Daten und Technologien von IBM Watson entwickelt Data science Mathematik, Statistik und IT, zur Erstellung von Modellen, des maschinellen Lernens, des statistischen Lernens, der Computerprogrammierung, der Datentechnik Natural language processing Maschinelle Verarbeitung natürlicher Sprache ist eine Technologie, die zum Ziel hat, dass Computer und Menschen auf gleicher Augenhöhe miteinander kommunizieren können Conversation Ein System, das nicht nur menschliche Sprache erkennt, sondern auch in der Lage ist, Aussagen und Absichten zu verstehen Taxonomy Entities & Concepts Machine learning Ein einheitliches Verfahren oder Modell, mit dem Objekte nach bestimmten Kriterien klassifiziert, das heißt in Kategorien oder Klassen eingeordnet werden Ein eindeutig zu bestimmendes Objekt oder Thema, zu dem Informationen gespeichert oder verarbeitet werden sollen. Das Objekt kann materiell oder immateriell, konkret oder abstrakt sein Ein künstliches System lernt aus Beispielen und kann diese nach Beendigung der Lernphase verallgemeinern. Es werden nicht einfach die Beispiele erkannt, sondern Muster und Gesetzmäßigkeiten 4

5 Die Daten des Kunden gehen durch eine 4 8 wöchige Vorstrukturierung, bevor Sia die Ziel-Lösung darstellen und dann weiterentwickeln kann Unstrukturierte Daten Text, Bilder, Video, Audio - werden hoch geladen und in ein einheitliches Standardformat migriert Mittels Natural Language Processing und Visual Recognition werden alle Datenquellen in Text verwandelt und nach semantischen Kategorien ( entities, concepts ) strukturiert Jetzt muss eine geeignete Taxonomie gefunden werden, die die relevanten Kategorien des Kunden abdeckt (z.b. Retail Banking ). Falls solch eine Taxonomy nicht verfügbar ist (z. B. in IBM Watson), wird sie erstellt Semantische Kategorien werden mittels der Taxonomie klassifiziert und ihre Verwendung solange trainiert, bis die Ergebnisse für den Kunden akkurat genug sind Die trainierte Maschine entwickelt nun die Ziel-Produkte oder Prozesse und lernt dabei ständig weiter dazu 5

6 Credibly Ausgangsfrage: Wie können wir Kunden online effizienter akquirieren? ist eine US-Kreditplattform für Geschäfts- und Firmenkunden Ziele: 1. Verstehen der Bedürfnisse aller Kundensegmente 2. Personalisierte Kundenansprache auf mehreren Kanälen 3. Leads erzeugen 6

7 Credibly Lösung: Entwicklung individualisierter Kundenansprachen über verschiedene web und soziale Kanäle Sammlung aller verfügbaren kundenbezogenen Daten aus internen und externen Quellen in unterschiedlichen Formaten (Text, Bilder, Video) Generierung einer einheitlichen Datenbasis, die anschließend nach semantischen Kategorien kategorisiert wird: z.b. Geo-Lokation, Persönlichkeits- und Sentiment-Typen Klassifizierung mittels einer geeigneten Taxonomie; Matching mit Kundenansprachen, auf die dieselben klassifizierten Kategorien angewandt werden Die Erstellung passender Kundenansprachen wird so lange trainiert, bis ein akzeptables Matching-Niveau erreicht ist Sia geht in den Regelbetrieb und spricht individualisierte Kundensegmente mit laufend aktualisierten, angepassten Botschaften über die Webseite, sowie Facebook, Twitter und automatisiertem Newsletter an 7

8 Credibly Quantitative Ergebnisse 80% Steigerung In der Newsletter-Konvertierung Platz 1 In Googles organischen Suchergebnissen für Retail Capital Erwartete User pro Monat von bezahlten Google- Suchergebnissen Follower in Sozialen Netzwerken weltweit 4% Erhöhung der CTR (click through rate) aus Sozialen Netzwerken 35 Sekunden Anstieg der durchschnittlichen Verweildauer auf der Website 8% Abnahme der Absprungrate 8

9 BBVA Ausgangsfrage: Wie steigern wir den Umsatz mit bestehenden Kunden beruhend auf einem Verständnis ihrer individuellen Bedürfnisse? Ausgangsfragen: 1. Wie verstehe ich meine Kunden besser? 2. Wie verstehe ich meine Produkte besser? 3. Wie verbinde ich beides für Upund Cross selling? 9

10 BBVA Lösung: Entwicklung und Versendung personalisierter Newsletter für 500 Kundensegmente Sammlung aller verfügbaren kundenbezogenen Daten aus internen Marketing, Produkt und Vertriebs Quellen in unterschiedlichen Formaten Generierung einer einheitlichen Datenbasis, die anschließend nach semantischen Kategorien kategorisiert wird: z.b. Geo-Lokation, Persönlichkeits- und Sentiment-Typen, sowie demographische und Produktdaten Klassifizierung mittels einer geeigneten Taxonomie; Matching mit Artikeln und Produktempfehlungen für die bisher undifferenziert versandten Newsletter Die Zuordnung von Inhalten und Kundensegmenten wird stetig weiter differenziert; in diesem Falle ergaben sich ca. 500 personalisierte Newsletter-Typen Sia geht in den Regelbetrieb und versendet per regelmäßig personalisierte Newsletter mit Produktempfehlungen die Zuordung wird laufend weiter optimiert 10

11 BBVA Quantitative Ergebnisse 1,8M+ BBVA Kunden erhalten den Newsletter jeden Monat. Machine Learning Algorithmen entwickeln aus Millionen von Berührungspunkten ein Muster und empfehlen in Echtzeit das jeweils passende Produkt Metrics Newsletter CTR Newsletter Unsubscribe Rate % nach 3 Monaten Landing Page Bounce Rate Length of Session Number of Page Views CTA Conversion Rate Monat 11

12 Morgan Stanley Ausgangsfrage: Wie finden wir zum richtigen Zeitpunkt die richtigen Informationen, um Deals zu gewinnen? Ausgangssituation Mio. s (intern + Kunden) mit Anhängen pro Quartal Research Reports pro Tag 3. Hochkomplexes und dynamisches Geschäftsumfeld 12

13 Morgan Stanley Lösung: Einfacher Zugang zu klassifizierten kundenbezogenen Informationen per Chatbot Sammlung aller intern verfügbaren kundenbezogenen Daten in unterschiedlichen Formaten ( s, Anhänge, Einträge im CRM-System, Research Reports) Generierung einer einheitlichen Datenbasis, die anschließend nach semantischen Kategorien kategorisiert wird: z.b. Geo-Lokation, Persönlichkeits- und Sentiment-Typen sowie Volumina, Trends und Clusters Klassifizierung mittels einer geeigneten Taxonomie; diese wird durch das Sprach-Interface zugänglich und erlaubt einen schnellen Zugriff auf die richtigen Daten im richtigen Moment Die Suchsystematik für die Chatbot- Nutzung wird trainiert und dabei weiter differenziert. Alle Kategorien werden durchgehend von Experten geprüft und trainiert. Sia geht in den Regelbetrieb und bietet den Kundenberatern einen strukturierten Zugang zu den bisher nicht erschließbaren Kundeninformationen im Haus 13

14 Morgan Stanley Übersicht über die entwickelte Suchsystematik Ein on premise System, das große Mengen von hoch komplexen unstrukturierten Daten auswertet, um einen einfachen Informationszuganz zu ermöglichen 1. Analysis of s, titles, attachments, images 2. Automated taxonomy extraction 3. Classification a. Periods of activity (productive/unproductive, negative/positive) per entity b. Periods of generic/specific interest for senders/receivers c. Segmentation by customer types/value/sentiment/interests 4. Trends a. Time & volume distribution b. Concepts & Entities c. Categories 5. Sentiment a. Social graph b. Sentiment distribution c. Per category d. Per concept e. Per entity f. 'Sentiment influencers' analysis 6. Analysis a. Key phrases b. Relationship analysis c. Anomaly events detection 14

15 Lessons learnt Fangen Sie klein an Einen konkreten Datensatz Konkrete Anwendungsziele API-Integration von ausgewählten Datenquellen Mit starken Partnern IBM Microsoft Amazon Startups Opentopic Setzen Sie klare Ziele 6 Monate Zeitfenster Interner use case mit hoher Akzeptanz Umsatzsteigerung 15

16 BE A COGNITIVE BANK